CN111027663A - 一种改进樽海鞘群算法的方法 - Google Patents

一种改进樽海鞘群算法的方法 Download PDF

Info

Publication number
CN111027663A
CN111027663A CN201911098042.2A CN201911098042A CN111027663A CN 111027663 A CN111027663 A CN 111027663A CN 201911098042 A CN201911098042 A CN 201911098042A CN 111027663 A CN111027663 A CN 111027663A
Authority
CN
China
Prior art keywords
follower
leader
goblet
individual
adaptive value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911098042.2A
Other languages
English (en)
Inventor
蔺悦
陈雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201911098042.2A priority Critical patent/CN111027663A/zh
Publication of CN111027663A publication Critical patent/CN111027663A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开一种改进樽海鞘群算法的方法，针对樽海鞘群算法在迭代后期不能进行精确搜索，种群多样性较差等缺点，对樽海鞘群算法改进。通过添加衰减因子，灵活的控制搜索范围大小，加快了算法收敛速度，通过引入动态学习策略，加强了跟随者对于寻优的协助作用，实现了算法达到更高的收敛精度，改善了樽海鞘群算法的优化性能。改进的樽海鞘群算法在收敛精度和收敛速度方面都有很大提升。

Description

一种改进樽海鞘群算法的方法
技术领域
本发明涉及人工智能技术领域，具体是涉及一种新型的群智能算法。
背景技术
樽海鞘群算法是澳大利亚学者Mirjalili在2017年提出的一种新型群智能优化算法，该算法模拟了海洋动物樽海鞘的群体觅食行为，机制简单易懂，操作方便，易于实现，已经成为国内外大量研究学者的研究热点。如今，该算法已经被广泛应用于实际问题中。樽海鞘群算法也存在在迭代后期不能进行精确搜索，种群多样性较差等缺点，限制了算法的局部开发能力和全局探索能力。与其它智能优化算法相比，樽海鞘群算法的优化求解策略有待改进，以进一步提高该算法的求解精度和寻优效率。
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种改进樽海鞘群算法的方法，针对樽海鞘群算法在迭代后期不能进行精确搜索，种群多样性较差等缺点，对樽海鞘群算法改进。通过添加衰减因子，灵活的控制搜索范围大小，加快了算法收敛速度，通过引入动态学习策略，加强了跟随者对于寻优的协助作用，实现了算法达到更高的收敛精度，改善了樽海鞘群算法的优化性能。改进的樽海鞘群算法在收敛精度和收敛速度方面都有很大提升。
本发明的目的是通过以下技术方案实现的：
一种改进樽海鞘群算法的方法，其特征在于，包括：
步骤一，设定种群规模N、迭代次数Iteration、维数D以及上下边界ub和lb；
步骤二，初始化樽海鞘群个体的位置，并计算每个个体的适应值，将最小适应值个体的位置确定为食物源位置FoodPosition；
步骤三，将樽海鞘群分为领导者和跟随者两类，第一个樽海鞘个体为领导者，其余樽海鞘为跟随者；
步骤四，生成衰减因子A(l)，领导者根据领导者的位置更新公式移动；
步骤五，生成随机数k，跟随者根据跟随者的位置更新公式移动；
步骤六，计算更新位置后的个体适应值，若小于当前食物源位置FoodPosition的适应值，则更新FoodPosition；
步骤七，判断当前迭代次数是否达到预设迭代次数，若已达到，结束迭代，否则返回执行步骤四；
步骤八，输出FoodPosition位置及适应值。
进一步的，步骤四具体包括：
根据改进的领导者位置更新公式对领导者位置进行更新，添加衰减因子的领导者位置更新公式为：
Figure BDA0002268961910000021
其中，
Figure BDA0002268961910000022
表示第一个樽海鞘个体(领导者)在第j维的位置，FoodPositionj表示在第j维食物源的位置，ubj和lbj分别表示在第j维搜索空间上下界，系数c1定义如下：
Figure BDA0002268961910000023
其中，l表示当前迭代次数，L表示总迭代次数。参数c2和c3取[0,1]的随机数，它们分别决定了在j维位置更新的移动步长，以及前进还是后退；
衰减因子
Figure BDA0002268961910000024
是一个非线性递减函数。
进一步的，步骤五具体包括：比较跟随者与前一个跟随者的适应值，根据改进的跟随者位置更新公式对跟随者位置进行更新，引入动态学习的跟随者位置更新公式为
Figure BDA0002268961910000025
其中，
Figure BDA0002268961910000026
表示第i个樽海鞘个体(跟随者)在第j维的位置，
Figure BDA0002268961910000027
和
Figure BDA0002268961910000028
分别表示
Figure BDA0002268961910000029
和
Figure BDA00022689619100000210
两位置的适应值，k是服从参数为0.5的指数分布随机数。
与现有技术相比，本发明的技术方案所带来的有益效果是：
在领导者位置更新阶段，引入衰减因子，使得领导者位置更新范围随着迭代次数的增加而逐渐减小。收敛前期，搜索范围不受限，个体可以充分在全局移动，充分发挥算法的全局搜索能力，避免陷入局部极值；收敛后期，随着个体越来越逼近最优值，搜索范围也逐渐减小，个体在限制范围内进行精确搜索，增强局部搜索能力，以达到更高的求解精度。
在跟随者位置更新阶段，引入动态学习策略，在适应值较大的位置(即离最优值距离较远的位置)上添加削弱因子，以削弱较差位置个体的影响权重，增强较优位置个体的影响权重。在收敛过程中，精英个体能更好的发挥协助作用，帮助领导者做决策，不断向食物源逼近，提高寻优效率。
附图说明
图1是本发明方法的流程图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
通过研究樽海鞘群算法的原理发现，由于位置更新搜索范围无约束，且精英个体的影响权重小，导致樽海鞘群算法在迭代后期不能进行很精确的搜索，跟随者不能很好的协助个体位置更新。因此，本发明的改进思路从两个方面考虑：针对樽海鞘群算法在领导者更新阶段搜索范围不受限的问题，添加衰减因子，增强迭代后期的局部开发能力；针对跟随者位置更新的局限性，引入动态学习策略，提高全局探索能力。见图1，具体实施方式如下：
步骤1：假设樽海鞘群有50个个体，在30维的搜索空间移动，搜索空间上下边界设定为100和-100；
步骤2：在搜索空间范围内随机初始化樽海鞘群个体的位置，设置初始食物源位置FoodPosition为随机位置，初始最优适应值BestFitness为无限大，并计算每个个体的适应值；
步骤3：将樽海鞘群分为领导者和跟随者两类，N＝1的个体为领导者，2≤N≤50的个体为跟随者；
步骤4：生成衰减因子A(l)，
Figure BDA0002268961910000031
l为当前迭代次数，总迭代次数L为500。
步骤5：更新领导者的位置，添加衰减因子的领导者位置更新公式为：
Figure BDA0002268961910000032
Figure BDA0002268961910000033
参数c2和c3取[0,1]的随机数；
步骤6：生成削弱因子k，k是服从参数为0.5的指数分布随机数；
步骤7：更新跟随者的位置，引入动态学习的跟随者位置更新公式为：
Figure BDA0002268961910000034
Figure BDA0002268961910000041
和
Figure BDA0002268961910000042
分别表示
Figure BDA0002268961910000043
和
Figure BDA0002268961910000044
两位置对于测试函数
Figure BDA0002268961910000045
和
Figure BDA0002268961910000046
的适应值；
步骤8：计算更新位置后的个体适应值，若小于BestFitness，则更新BestFitness和FoodPosition；
步骤9：判断当前迭代次数是否达到预设迭代次数，若已达到，结束迭代，否则返回执行步骤3；
步骤10：输出最优位置FoodPosition和最优适应值BestFitness，算法结束。
步骤11：得到实验结果
Figure BDA0002268961910000047
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (3)

1.一种改进樽海鞘群算法的方法，其特征在于，包括：
步骤一，设定种群规模N、迭代次数Iteration、维数D以及上下边界ub和lb；
步骤二，初始化樽海鞘群个体的位置，并计算每个个体的适应值，将最小适应值个体的位置确定为食物源位置FoodPosition；
步骤三，将樽海鞘群分为领导者和跟随者两类，第一个樽海鞘个体为领导者，其余樽海鞘为跟随者；
步骤四，生成衰减因子A(l)，领导者根据领导者的位置更新公式移动；
步骤五，生成随机数k，跟随者根据跟随者的位置更新公式移动；
步骤六，计算更新位置后的个体适应值，若小于当前食物源位置FoodPosition的适应值，则更新FoodPosition；
步骤七，判断当前迭代次数是否达到预设迭代次数，若已达到，结束迭代，否则返回执行步骤四；
步骤八，输出FoodPosition位置及适应值。
2.根据权利要求1所述的一种改进樽海鞘群算法的方法，其特征在于，步骤四具体包括：
根据改进的领导者位置更新公式对领导者位置进行更新，添加衰减因子的领导者位置更新公式为：
Figure FDA0002268961900000011
其中，
Figure FDA0002268961900000012
表示第一个樽海鞘个体(领导者)在第j维的位置，FoodPositionj表示在第j维食物源的位置，ubj和lbj分别表示在第j维搜索空间上下界，系数c1定义如下：
Figure FDA0002268961900000013
其中，l表示当前迭代次数，L表示总迭代次数。参数c2和c3取[0,1]的随机数，它们分别决定了在j维位置更新的移动步长，以及前进还是后退；
衰减因子
Figure FDA0002268961900000014
是一个非线性递减函数。
3.根据权利要求1所述的一种改进樽海鞘群算法的方法，其特征在于，步骤五具体包括：比较跟随者与前一个跟随者的适应值，根据改进的跟随者位置更新公式对跟随者位置进行更新，引入动态学习的跟随者位置更新公式为
Figure FDA0002268961900000021
其中，
Figure FDA0002268961900000022
表示第i个樽海鞘个体(跟随者)在第j维的位置，
Figure FDA0002268961900000023
和
Figure FDA0002268961900000024
分别表示
Figure FDA0002268961900000025
和
Figure FDA0002268961900000026
两位置的适应值，k是服从参数为0.5的指数分布随机数。
CN201911098042.2A 2019-11-12 2019-11-12 一种改进樽海鞘群算法的方法 Pending CN111027663A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911098042.2A CN111027663A (zh) 2019-11-12 2019-11-12 一种改进樽海鞘群算法的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911098042.2A CN111027663A (zh) 2019-11-12 2019-11-12 一种改进樽海鞘群算法的方法

Publications (1)

Publication Number Publication Date
CN111027663A true CN111027663A (zh) 2020-04-17

Family

ID=70201383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911098042.2A Pending CN111027663A (zh) 2019-11-12 2019-11-12 一种改进樽海鞘群算法的方法

Country Status (1)

Country Link
CN (1) CN111027663A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111817634A (zh) * 2020-06-11 2020-10-23 湖南科技大学 一种基于改进樽海鞘群算法的永磁同步电机参数辨识方法
CN112085705A (zh) * 2020-08-11 2020-12-15 温州大学 一种基于改进樽海鞘群算法的图像分割方法及装置
CN112287564A (zh) * 2020-11-20 2021-01-29 国网湖南省电力有限公司 基于樽海鞘群算法的电极阵列优化方法
CN112954763A (zh) * 2021-02-07 2021-06-11 中山大学 一种基于樽海鞘算法优化的wsn分簇路由方法
CN113036762A (zh) * 2021-05-10 2021-06-25 中国建筑第五工程局有限公司 基于ssa算法的多通道电力信号模式的快速识别方法
CN113110490A (zh) * 2021-05-07 2021-07-13 金陵科技学院 基于改进的樽海鞘群算法的机器人多目标路径规划
CN113191075A (zh) * 2021-04-22 2021-07-30 浙江大学 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法
CN113222779A (zh) * 2021-05-10 2021-08-06 合肥工业大学 一种基于改进樽海鞘群算法的配电网电压波动抑制方法
CN113627382A (zh) * 2021-08-24 2021-11-09 北京电信易通信息技术股份有限公司 面向视频会议系统的用户行为识别方法、系统及存储介质
CN114626765A (zh) * 2022-05-07 2022-06-14 河南科技学院 一种动力锂电池化成智能调度方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111817634B (zh) * 2020-06-11 2022-04-01 湖南科技大学 一种基于改进樽海鞘群算法的永磁同步电机参数辨识方法
CN111817634A (zh) * 2020-06-11 2020-10-23 湖南科技大学 一种基于改进樽海鞘群算法的永磁同步电机参数辨识方法
CN112085705A (zh) * 2020-08-11 2020-12-15 温州大学 一种基于改进樽海鞘群算法的图像分割方法及装置
CN112085705B (zh) * 2020-08-11 2024-03-15 温州大学 一种基于改进樽海鞘群算法的图像分割方法及装置
CN112287564A (zh) * 2020-11-20 2021-01-29 国网湖南省电力有限公司 基于樽海鞘群算法的电极阵列优化方法
CN112287564B (zh) * 2020-11-20 2023-04-07 国网湖南省电力有限公司 基于樽海鞘群算法的电极阵列优化方法
CN112954763A (zh) * 2021-02-07 2021-06-11 中山大学 一种基于樽海鞘算法优化的wsn分簇路由方法
CN113191075A (zh) * 2021-04-22 2021-07-30 浙江大学 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法
CN113191075B (zh) * 2021-04-22 2023-03-24 浙江大学 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法
CN113110490A (zh) * 2021-05-07 2021-07-13 金陵科技学院 基于改进的樽海鞘群算法的机器人多目标路径规划
CN113222779A (zh) * 2021-05-10 2021-08-06 合肥工业大学 一种基于改进樽海鞘群算法的配电网电压波动抑制方法
CN113036762A (zh) * 2021-05-10 2021-06-25 中国建筑第五工程局有限公司 基于ssa算法的多通道电力信号模式的快速识别方法
CN113627382A (zh) * 2021-08-24 2021-11-09 北京电信易通信息技术股份有限公司 面向视频会议系统的用户行为识别方法、系统及存储介质
CN113627382B (zh) * 2021-08-24 2022-02-22 北京电信易通信息技术股份有限公司 面向视频会议系统的用户行为识别方法、系统及存储介质
CN114626765A (zh) * 2022-05-07 2022-06-14 河南科技学院 一种动力锂电池化成智能调度方法

Similar Documents

Publication Publication Date Title
CN111027663A (zh) 一种改进樽海鞘群算法的方法
CN111709524A (zh) 一种基于改进gwo算法的rbf神经网络优化方法
CN109948029B (zh) 基于神经网络自适应的深度哈希图像搜索方法
CN111464465B (zh) 一种基于集成神经网络模型的信道估计方法
CN107169557A (zh) 一种对布谷鸟优化算法进行改进的方法
CN111768028B (zh) 一种基于深度强化学习的gwlf模型参数调节方法
CN110826195A (zh) 一种基于蚁群优化bp神经网络的波浪补偿控制算法
CN114995460B (zh) 一种基于自适应改进蚁群算法的机器人路径规划方法
CN113296496A (zh) 基于多采样点的引力自适应步长双向rrt路径规划方法
CN112577507A (zh) 基于哈里斯鹰优化算法的电动汽车路径规划方法
CN111832135A (zh) 基于改进哈里斯鹰优化算法的压力容器结构优化方法
Zhang et al. Evolving neural network classifiers and feature subset using artificial fish swarm
WO2023071592A1 (zh) 面向超大搜索空间的网络结构搜索方法、系统及介质
CN116341605A (zh) 一种基于反向学习策略的灰狼算法混合优化方法
CN115272774A (zh) 基于改进自适应差分进化算法的对抗样本攻击方法及系统
CN117273053A (zh) 一种海洋捕食者算法的优化实现方法
CN110852435A (zh) 一种基于神经进化计算模型
CN115169517A (zh) 一种改进的灰狼优化算法的方法
CN112131089B (zh) 软件缺陷预测的方法、分类器、计算机设备及存储介质
CN111523669A (zh) 一种基于知识图谱元信息的少次关系模型训练方法
CN116088492A (zh) 一种基于sma-aco算法的机器人路径规划方法
CN116242381A (zh) 一种路径规划方法、系统、电子设备及存储介质
Liu et al. A review of learning algorithm for radius basis function neural network
CN114254117A (zh) 一种基于数据增强和自适应负采样技术的知识图谱推理方法
CN114004326A (zh) 一种基于改进郊狼算法的elm神经网络优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200417